Разработка AI-системы для прогнозирования увольнений

Добровольные увольнения ключевых сотрудников бьют по бюджету сильнее, чем кажется. Замена одного инженера или менеджера среднего звена может обойтись компании в 50–200% его годового оклада — это прямые и косвенные потери на рекрутинг, онбординг и падение производительности. Например, потеря senior-разработчика с окладом $100,000 оборачивается $150,000–$200,000 убытков. Мы разрабатываем AI-системы, которые предсказывают риск увольнения за 1–3 месяца до события, когда у HR ещё есть окно для retention-интервенции. Ниже — как мы строим такие системы с нуля, какие данные используем и как избежать юридических ловушек.

Этические и правовые ограничения

Прежде чем начать — ключевые ограничения. 152-ФЗ и GDPR требуют явного согласия сотрудника на обработку персональных данных для предиктивного анализа. Запрещено использовать данные для автоматических HR-решений — предсказание служит лишь подсказкой для человека. Сотрудник имеет право объяснить и оспорить оценку.

Этические границы: не используем личную переписку, не ведём скрытое биометрическое наблюдение. Система должна быть прозрачной для команды — сотрудники знают, что она существует, но не обязательно детали. Без этих рамок инструмент создаёт токсичную культуру и нарушает закон.

Данные для модели: что собирать и как обрабатывать

HR-система обеспечивает около 80% предиктивной силы. Собираем поведенческие сигналы сотрудников: карьерный трек (месяцы с последнего повышения, количество промо за 3 года, соотношение зарплаты к рынку), вовлечённость (часы обучения, проекты, запросы на перевод), рабочие условия (средние часы в неделю, удалённые дни, стаж у менеджера). Демографические данные — tenure, department — с fairness-аудитом.

hr_features = { 'months_since_last_promotion': months, 'promotions_count_3y': count, 'salary_vs_market': salary / market_benchmark, 'performance_rating_last': rating_1_to_5, 'performance_trend': rating_last - rating_prev, 'training_hours_annual': hours, 'projects_participated': count, 'internal_transfers_requested': count, 'average_work_hours_weekly': hours, 'remote_work_days_weekly': days, 'manager_tenure': months_with_current_manager, 'team_size': headcount, 'tenure_months': total_months_at_company, 'department': department_encoded } 

Engagement-опросы (eNPS, pulse) и агрегированные данные контроля доступа (аномалии рабочего времени) дополняют картину. Важно получать consent на каждый источник.

Как объяснить предсказание?

Таргет: добровольное увольнение в следующие 90 дней. Из‑за несбалансированности (5–15% годовой текучести) используем SMOTE или class_weight.

Алгоритм: LightGBM с SHAP для объяснений. Модель достигает AUC 0.87–0.92 на исторических данных. Каждому сотруднику в high-risk категории присваиваются top-3 фактора риска — конкретные причины для HR-менеджера.

Segment-level анализ

Помимо индивидуального скора, анализируем по сегментам:

Cohort analysis: Какие когорты нанятых в конкретный период увольняются быстрее? Если cohort показывает вдвое больший отток, это указывает на проблемы при найме или онбординге.

Department risk radar: Отделы с системно высоким риском увольнений — сигнал системной проблемы: плохой менеджмент, неконкурентная компенсация, скучные задачи.

Manager effectiveness: Если сотрудники под конкретным менеджером увольняются в 3 раза чаще среднего — флаг для HR.

Retention actions

Эффективность измеряем через A/B тестирование рандомизированных интервенций — retention rate в группе вмешательства растёт на 20–30%.

Дашборд для HR

Workforce risk heat map по отделам, top-10 сотрудников с риском и факторами, тренд общего риска по компании, forecast ожидаемых увольнений на 90 дней для планирования рекрутинга. Интеграция с HRIS: SAP SuccessFactors, Workday, 1С:ЗУП — через API получаем данные и записываем risk scores.

Что входит в работу?

• Полный аудит HR-данных и этических норм.
• Baseline-модель (LightGBM) с SHAP-объяснениями.
• Fairness-аудит и калибровка по сегментам.
• Дашборд в Power BI или аналогичной BI-системе.
• A/B-тестирование retention-интервенций на пилотной группе.
• Документация модели, обучение HR-команды, поддержка первого месяца.

Как построить модель?

1. Аудит доступных HR-данных и согласование этических норм.
2. Разработка baseline-модели (LightGBM) на исторических данных.
3. Настройка SHAP-объяснений и fairness-аудита.
4. Создание дашборда в BI-системе или Power BI.
5. A/B-тестирование retention-интервенций на пилотной группе.
6. Развёртывание в продуктив и мониторинг дрейфа (MLOps).

Этот процесс занимает от 4 до 12 недель в зависимости от сложности. Свяжитесь с нами, чтобы обсудить ваш кейс — мы оценим данные и предложим решение под ключ. Закажите пилотный проект и убедитесь в эффективности.